True-Positive-Rate

Ein KI-Modell trifft Entscheidungen: krank oder gesund, Spam oder kein Spam, Betrug oder kein Betrug. Manchmal liegt es dabei richtig, manchmal falsch. Die True-Positive-Rate misst einen bestimmten Fehler: wie viele der wirklich positiven Fälle — also die, die das Modell eigentlich erkennen soll — tatsächlich erkannt werden. Wenn ein Modell zum Beispiel Krebsdiagnosen stellt und 100 Patienten wirklich krank sind, das Modell aber nur 80 davon als krank einstuft, beträgt die True-Positive-Rate 80 Prozent. Die restlichen 20 Prozent wurden übersehen — man nennt das falsch-negative Ergebnisse. Die True-Positive-Rate sagt also: Wie vollständig arbeitet das Modell bei dem, was es finden soll?

Was auf dem Spiel steht, wenn die Rate zu niedrig ist

Eine niedrige True-Positive-Rate bedeutet, dass das Modell viele relevante Fälle einfach durchlässt. In der Medizin kann das lebensgefährlich sein: Ein Diagnosesystem, das echte Krebsfälle regelmäßig übersieht, ist kaum besser als gar kein System. Ähnliches gilt für Sicherheitssoftware, die Schadsoftware nicht zuverlässig erkennt.

Wichtig ist dabei: Eine hohe True-Positive-Rate allein macht ein Modell nicht gut. Ein Modell, das einfach alles als positiv einstuft, hätte eine True-Positive-Rate von 100 Prozent — würde aber gleichzeitig jede gesunde Person als krank bezeichnen. Deshalb betrachtet man die True-Positive-Rate immer zusammen mit anderen Kennzahlen, vor allem der False-Positive-Rate, also dem Anteil der fälschlich als positiv eingestuften Fälle.

Berechnung und der Zusammenhang mit dem Schwellenwert

Die Formel ist einfach: Man teilt die Anzahl der korrekt erkannten positiven Fälle durch die Gesamtzahl aller tatsächlich positiven Fälle. Das Ergebnis liegt immer zwischen null und eins, wird aber oft als Prozentzahl angegeben. Mathematisch ausgedrückt: TPR = richtig positiv / (richtig positiv + falsch negativ).

Ein KI-Modell gibt für jeden Fall meist keinen direkten Ja/Nein-Wert aus, sondern eine Wahrscheinlichkeit — zum Beispiel 0,73 für „73 % Chance auf Betrug“. Erst ab einem bestimmten Schwellenwert wertet das System den Fall als positiv. Senkt man diesen Schwellenwert, steigt die True-Positive-Rate: Das Modell ist großzügiger und erkennt mehr echte Fälle. Gleichzeitig steigt aber auch die Zahl der Fehlalarme. Erhöht man den Schwellenwert, passiert das Gegenteil. Dieses Spannungsverhältnis lässt sich in einer sogenannten ROC-Kurve — einer grafischen Darstellung — sichtbar machen.

In der Praxis wählen Entwickler den Schwellenwert je nach Einsatzgebiet. Bei einer Krebserkennung ist es schlimmer, einen echten Fall zu verpassen, als einen Fehlalarm auszulösen — also wählt man einen niedrigen Schwellenwert und nimmt eine hohe True-Positive-Rate in Kauf. Bei einem automatischen Kreditantrag könnte die Abwägung anders ausfallen.

True-Positive-Rate in Produkten und Debatten

Der Begriff taucht überall dort auf, wo KI-Systeme etwas erkennen oder klassifizieren sollen. Gesichtserkennung bei der Polizei wird daran gemessen, wie zuverlässig sie gesuchte Personen identifiziert. Spam-Filter sollen möglichst viele unerwünschte Mails erwischen. Medizinische Bildauswertung soll Tumore nicht übersehen.

In politischen und gesellschaftlichen Debatten über KI-Fairness spielt die True-Positive-Rate eine besondere Rolle. Studien haben gezeigt, dass manche Gesichtserkennungssysteme bei Menschen mit dunklerer Hautfarbe eine deutlich niedrigere True-Positive-Rate erreichen als bei hellhäutigen Menschen — das Modell erkennt sie seltener korrekt. Das ist ein konkretes Beispiel dafür, wie eine technische Kennzahl zur politischen Frage wird.

In Finanznachrichten begegnet der Begriff häufig im Zusammenhang mit Betrugserkennungssystemen bei Banken oder mit KI-gestützter Diagnoseunterstützung in der Medizintechnik. Wenn ein Unternehmen behauptet, sein Modell erkenne 95 Prozent aller Betrugsfälle, meint es damit genau die True-Positive-Rate — und verschweigt dabei oft, wie viele Fehlalarme es gleichzeitig produziert.